Qualtrics: как построить исследовательскую команду будущего
Бюджеты сокращаются, штат уменьшается, и руководство всё чаще задаётся вопросом: не заменят ли синтетические данные и ИИ исследовательскую функцию полностью?
Одновременно с этим решения, которые нужно принимать организациям, становятся всё более значительными, срочными и рискованными. Цена ошибки никогда не была такой высокой.
Исследовательские команды оказались в ловушке: от них ждут большего при меньших ресурсах, при этом они с трудом могут объяснить свою ценность в терминах, которые понимает топ-менеджмент, — а их традиционные компетенции (разработка опросников, сбор данных, составление отчётов) планомерно автоматизируются.
Выживут и добьются успеха те команды, которые смогут чётко сформулировать, чем должны стать исследования, а не те, кто держится за то, чем они были прежде.
В начале 2026 года автор статьи, Джордан Харпер, Principal AI Thought Leader в Qualtrics, поговорил с экспертами отрасли и руководителями исследовательских функций в крупных организациях, чтобы понять, как меняется роль researcher и что с этим делать. Ниже — основные выводы.
1. Автоматизация исполнения
Рутинные операции в исследованиях — программирование опросников, очистка данных, кодирование открытых ответов, ведение протоколов — поглощаются ИИ и больше не являются основной ценностью, которую приносит человек.
Одно из следствий этого: порог входа для неспециалистов, вероятно, исчезнет, и роль researcher должна измениться: от хранителя методологии — к владельцу результатов.
Прямым следствием этого становится обострение «velocity gap» — разрыва между темпом исследований (которым нужны недели) и темпом принятия решений топ-менеджментом (которому нужны дни). Команды, по-прежнему определяемые медленным ручным исполнением, сталкиваются с прямым давлением на бюджет и численность персонала: их легко обойти, опираясь на новообретённые возможности неспециалистов.
Что делать: немедленно автоматизировать рутинные технические задачи, чтобы высвободить мощности и закрыть velocity gap. Считать мгновенные, по-требованию insights стандартным режимом работы. Пересмотреть метрики команды: перейти от количества сданных отчётов/исследований к числу повлиявших на высокоставочные бизнес-решения.
2. Вкус и ответственность как защитный ров
По мере того как данные и анализ превращаются в товар, незаменимый вклад человека сосредотачивается в двух связанных способностях:
- Вкус — умение выбрать, что из потока автоматизированных данных релевантно, достоверно и применимо.
- Ответственность — готовность отстаивать рекомендацию и разделить вес высокоставочного решения.
ИИ способен генерировать факты, но не может убедить финансового директора, ориентироваться в политике совета директоров или нести ответственность за ошибку ценой в миллиард долларов. Человек становится рассказчиком и слоем подотчётности: тем, кто сидит напротив и говорит: «Это тоже на мне».
Это — защитный ров, который ИИ не способен преодолеть.
Что делать: перепозиционировать команду как стратегический уровень суждения и управления бизнесом — тех, кто интерпретирует «и что с этим делать?», владеет нарративом и защищает лиц, принимающих решения, от автоматизированных галлюцинаций и непроверенных данных.
3. Выхолащивание junior-специалистов
Задачи начального уровня, через которые традиционно формировалась исследовательская интуиция, — именно те, которые сегодня автоматизирует ИИ. Чрезмерно полагаясь на ИИ, индустрия рискует убрать из профессии «тренировочные колёса».
Junior researchers могут никогда не выработать навыки распознавания паттернов и диагностической интуиции, необходимой для того, чтобы почувствовать, когда что-то «пахнет не так», или отследить ошибку до её источника.
В сочетании с растущей верой в безупречность ИИ это формирует будущую рабочую силу, которая доверяет чёрному ящику, не обладая навыками его критической оценки, — разрушая качество исследований в основании.
Что делать: не сохранять старые ручные задачи ради их самих — сохранять то суждение, которое они прежде формировали. Риск не в том, что junior используют ИИ; риск в том, что они передают ИИ само мышление. Нужно переосмыслить ученичество: пусть junior критикуют, аудируют и проверяют на прочность выводы ИИ, находят то, что модель упустила и что «пахнет не так», — чтобы подняться по лестнице суждения быстрее, а не по старому пути.
4. Великое расслоение
Рынок исследований разделяется на два уровня. Высокоскоростной уровень-товар — базовая разработка опросников, стандартные трекинговые исследования — поглощается ИИ-автоматизацией, тогда как сложная, высокоставочная стратегическая работа остаётся за людьми.
Универсал, занимающий позицию между двумя уровнями, оказывается наиболее уязвимым: команды, застрявшие посередине и выполняющие медленную ручную работу, которую ИИ сделает за секунды, столкнутся с немедленным давлением на бюджет и численность персонала.
Что делать: выбрать свою нишу осознанно. Определить, на что лучше всего способна ваша команда — стать высокообъёмной платформой для автоматизации или элитным центром стратегии, — и выстраивать ресурсы соответственно. Для крупных корпоративных команд: развивать обе компетенции как отдельные, но взаимосвязанные дисциплины.
5. Конвергенция данных
Исследования больше не существуют как изолированная функция.
Чтобы быть эффективными, «мягкие» данные о человеческих настроениях из опросников должны объединяться с «жёсткими» поведенческими и операционными данными — это нередко требует от researchers знания технических языков: SQL или Python.
Исторически разделённые дисциплины — consumer insights и аналитика данных — сливаются, и будущее принадлежит researchers, способным использовать качественный контекст для объяснения того, почему поведенческие данные выглядят именно так.
Наиболее практичный insight теперь находится на пересечении настроений и поведения, а не внутри каждой из этих дисциплин по отдельности.
Что делать: разрушить барьеры между market research, customer experience и data science, создав (или наняв) гибридные компетенции, способные свободно перемещаться между качественным контекстом и количественным поведением.
Будущее — это гибридная исследовательская команда
ИИ умеет генерировать insights, и делает это быстрее и дешевле любой человеческой команды.
Чего он не умеет — сидеть напротив генерального директора и ставить на кон профессиональную репутацию ради рекомендации. Он не может нести ответственность, когда бизнес-ставка не сыграет. Он не способен считывать настроение в комнате и понять, что финансовому директору нужен язык рисков, а маркетинговому — язык роста.
Незаменимая ценность исследовательской команды — не в производстве данных. Она — во владении интерпретацией, в принятии последствий и в способности ориентироваться в политике решений.
Понимание происходящего не равно пониманию того, что делать. В настоящее время Qualtrics разрабатывает модель трансформации, которая помогает командам пройти эти изменения в технологиях, компетенциях и культуре. Дальнейшие материалы о применении этой модели на практике ожидаются в ближайшее время.